1、AR（自回归模型）1、含义一种处理时间序列的方法，用同一变数例如 x 的之前各期，亦即 x1至xt-1来 预测本期 xt的表现 ，并假设它们为一线性关系。具体用法见 ARIMA二、基本原理P 为阶数，表示 P 阶自回归模型，AR(p)。等式左边代表第 t 期的时间序列值，等式右边第一项表示常数项，第二项为之前各期的和，第三项是随机误差三、优缺点1、必须具有自相关，自相关系数（ ）是关键。如果自相关系数(R)小于i0.5，则不宜采用，否则预测结果极不准确。2.只能适用于预测与自身前期相关的经济现象，即受自身历史因素影响较大的经济现象，如矿的开采量，各种自然资源产量等；对于受社会因素影响较大的经济
2、现象，不宜采用自回归，而应改采可纳入其他变数的向量自回归模型。MA（移动平均模型）一、含义具体用法见 ARIMA。二、基本形式.q 为阶数，q 阶移动平均模型。 表示 t 时刻观测值， 表示 q 时刻的随机误tx差。三、优缺点ARMA（自回归移动平均模型）1、含义是 AR 模型和 MA 模型的结合。在市场研究中常用于长期追踪资料的研究，如： Panel 研究中，用于消费行为模式变迁研究；在零售研究中，用于具有季节变动特征的销售量、市场规模的预测等。二、基本形式 12 12tttpttttqtyyy 三、优缺点ARIMA（差分移动平均自回归模型）一、含义差分平稳序列在经过差分后变成平稳时间序列，
3、之后的分析可以用 ARMA 模型进行，差分过程加上 ARMA 模型对差分平稳序列进行的分析称为 ARIMA 模型。二、基本形式ARIMA 模型运用的流程1. 根据时间序列的散点图、自相关函数和偏自相关函数图以 ADF 单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经济运行的时间序列都不是平稳序列。2. 对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。3. 根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合 AR 模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合 MA 模型 ；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合 ARMA 模型。4. 参数估计，检验是否具有统计意义。5. 假设检验，判断（诊断）残差序列是否为白噪声序列。6. 利用已通过检验的模型进行预测。三、优缺点 不直接考虑其他相关随机变量的变化
